Об этом курсе

Недавно просмотрено: 14,912

Карьерные результаты учащихся

43%

начал новую карьеру, пройдя эти курсы

29%

получил значимые преимущества в карьере благодаря этому курсу

17%

стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень
Прибл. 64 часа на выполнение
Английский
Субтитры: Английский

Приобретаемые навыки

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

Карьерные результаты учащихся

43%

начал новую карьеру, пройдя эти курсы

29%

получил значимые преимущества в карьере благодаря этому курсу

17%

стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень
Прибл. 64 часа на выполнение
Английский
Субтитры: Английский

от партнера

Логотип Стэнфордский университет

Стэнфордский университет

Программа курса: что вы изучите

Неделя
1

Неделя 1

16 минут на завершение

Learning: Overview

16 минут на завершение
1 видео ((всего 16 мин.))
1 видео
1 ч. на завершение

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

1 ч. на завершение
6 видео ((всего 59 мин.))
6 видео
Regularization: Cost Function 10мин
Evaluating a Hypothesis 7мин
Model Selection and Train Validation Test Sets 12мин
Diagnosing Bias vs Variance 7мин
Regularization and Bias Variance11мин
2 ч. на завершение

Parameter Estimation in Bayesian Networks

2 ч. на завершение
5 видео ((всего 77 мин.))
5 видео
Maximum Likelihood Estimation for Bayesian Networks15мин
Bayesian Estimation15мин
Bayesian Prediction13мин
Bayesian Estimation for Bayesian Networks17мин
2 практических упражнения
Learning in Parametric Models18мин
Bayesian Priors for BNs8мин
Неделя
2

Неделя 2

21 ч. на завершение

Learning Undirected Models

21 ч. на завершение
3 видео ((всего 52 мин.))
3 видео
Maximum Likelihood for Conditional Random Fields13мин
MAP Estimation for MRFs and CRFs9мин
1 практическое упражнение
Parameter Estimation in MNs6мин
Неделя
3

Неделя 3

17 ч. на завершение

Learning BN Structure

17 ч. на завершение
7 видео ((всего 106 мин.))
7 видео
Likelihood Scores16мин
BIC and Asymptotic Consistency11мин
Bayesian Scores20мин
Learning Tree Structured Networks12мин
Learning General Graphs: Heuristic Search23мин
Learning General Graphs: Search and Decomposability15мин
2 практических упражнения
Structure Scores10мин
Tree Learning and Hill Climbing8мин
Неделя
4

Неделя 4

22 ч. на завершение

Learning BNs with Incomplete Data

22 ч. на завершение
5 видео ((всего 83 мин.))
5 видео
Expectation Maximization - Intro16мин
Analysis of EM Algorithm11мин
EM in Practice11мин
Latent Variables22мин
2 практических упражнения
Learning with Incomplete Data8мин
Expectation Maximization14мин

Рецензии

Лучшие отзывы о курсе PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Посмотреть все отзывы

Специализация Графические вероятностные модели : общие сведения

Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems....
Графические вероятностные модели

Часто задаваемые вопросы

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

  • Когда вы оформите подписку, начнется семидневный бесплатный пробный период, в течение которого подписку можно отменить без штрафа. По истечении этого срока вы не сможете вернуть средства, но сможете отменить подписку в любой момент. Ознакомьтесь с нашей политикой возврата средств.

  • Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее

  • Compute the sufficient statistics of a data set that are necessary for learning a PGM from data

    Implement both maximum likelihood and Bayesian parameter estimation for Bayesian networks

    Implement maximum likelihood and MAP parameter estimation for Markov networks

    Formulate a structure learning problem as a combinatorial optimization task over a space of network structure, and evaluate which scoring function is appropriate for a given situation

    Utilize PGM inference algorithms in ways that support more effective parameter estimation for PGMs

    Implement the Expectation Maximization (EM) algorithm for Bayesian networks

    Honors track learners will get hands-on experience in implementing both EM and structure learning for tree-structured networks, and apply them to real-world tasks

Остались вопросы? Посетите Центр поддержки учащихся.